4.1.1 Import des couches NDVI par année

rastlist.2017.NDVI <- list.files(path = "S2_NDVI_CCVCMB", pattern='2017', all.files=T, full.names=T)
rasters.2017.NDVI <- stack(lapply(rastlist.2017.NDVI, raster))

rastlist.2018.NDVI <- list.files(path = "S2_NDVI_CCVCMB", pattern='2018', all.files=T, full.names=T)
rasters.2018.NDVI <- stack(lapply(rastlist.2018.NDVI, raster))

rastlist.2019.NDVI <- list.files(path = "S2_NDVI_CCVCMB", pattern='2019', all.files=TRUE, full.names=T)
rasters.2019.NDVI <- stack(lapply(rastlist.2019.NDVI, raster))

rastlist.2020.NDVI <- list.files(path = "S2_NDVI_CCVCMB", pattern='2020', all.files=TRUE, full.names=T)
rasters.2020.NDVI <- stack(lapply(rastlist.2020.NDVI, raster))

rastlist.2021.NDVI <- list.files(path = "S2_NDVI_CCVCMB", pattern='2021', all.files=TRUE, full.names=T)
rasters.2021.NDVI <- stack(lapply(rastlist.2021.NDVI, raster)) 

4.1.2 Caractéristiques des couches NDVI

## class      : RasterStack 
## dimensions : 2636, 2348, 6189328, 30  (nrow, ncol, ncell, nlayers)
## resolution : 10, 10  (x, y)
## extent     : 324930, 348410, 5077160, 5103520  (xmin, xmax, ymin, ymax)
## crs        : +proj=utm +zone=32 +datum=WGS84 +units=m +no_defs 
## names      : SENTINEL2A_20200224_NDVI, SENTINEL2A_20200315_NDVI, SENTINEL2A_20200325_NDVI, SENTINEL2A_20200404_NDVI, SENTINEL2A_20200409_NDVI, SENTINEL2A_20200424_NDVI, SENTINEL2A_20200504_NDVI, SENTINEL2A_20200509_NDVI, SENTINEL2A_20200519_NDVI, SENTINEL2A_20200524_NDVI, SENTINEL2A_20200529_NDVI, SENTINEL2A_20200603_NDVI, SENTINEL2A_20200623_NDVI, SENTINEL2A_20200708_NDVI, SENTINEL2A_20200713_NDVI, ... 
## min values :               -0.9983560,               -0.9981877,               -0.9985891,               -0.9978938,               -0.9985730,               -0.9980031,               -0.9985617,               -0.9979624,               -0.9981035,               -0.9982855,               -0.9980518,               -0.9969445,               -0.9991574,               -0.9974279,               -0.9978781, ... 
## max values :                0.7155070,                0.7039071,                0.7296859,                0.8276377,                0.8230168,                0.8353869,                0.8483894,                0.9216663,                0.8404192,                0.8615274,                0.8427536,                0.8281259,                0.8500417,                0.8184949,                0.8514056, ...

Les rasters des données NDVI issues du satellite Sentinel2 ont une résolution de 10 m par 10 m et sont projetés dans le référentiel SCR WGS84 / UTM zone 32N.

4.1.3 Visualisation d’une couche NDVI (24/02/2020)

Figure 1: Couche NDVI limitée à la CCVCMB le 24/02/2020

Les zones blanches correspondent à des nuages. Les couleurs les plus vertes dessinent la vallée de Chamonix et le gradient des couleurs jaunes à roses refléte le gradient altitudinal des versants qui encadrent la vallée.

4.1.4 Import des couches SMOD par année

SMOD_17 <- raster("Sentinel2_neige/SMOD_CCVCMB_2017.tif")
SMOD_18 <- raster("Sentinel2_neige/SMOD_CCVCMB_2018.tif")
SMOD_19 <- raster("Sentinel2_neige/SMOD_CCVCMB_2019.tif")
SMOD_20 <- raster("Sentinel2_neige/SMOD_CCVCMB_2020.tif")
SMOD_21 <- raster("Sentinel2_neige/SMOD_CCVCMB_2021.tif")

4.1.5 Caractéristiques des couches SMOD

## class      : RasterLayer 
## dimensions : 1318, 1175, 1548650  (nrow, ncol, ncell)
## resolution : 20, 20  (x, y)
## extent     : 324920, 348420, 5077160, 5103520  (xmin, xmax, ymin, ymax)
## crs        : +proj=utm +zone=32 +datum=WGS84 +units=m +no_defs 
## source     : SMOD_CCVCMB_2017.tif 
## names      : SMOD_CCVCMB_2017 
## values     : 0, 243  (min, max)

Les rasters des données SMOD issues du satellite Sentinel2 ont une résolution de 20 m par 20 m et sont projetés dans le référentiel SCR WGS84 / UTM zone 32N. Il faut donc redimensionner les couches SMOD pour avoir la même résolution que les couches NDVI (10 m x 10 m).

4.1.6 Changement de la résolution des couches SMOD

SMOD_17 <- resample(x = SMOD_17, y = rasters.2020.NDVI[[1]], method = "bilinear")
SMOD_18 <- resample(x = SMOD_18, y = rasters.2020.NDVI[[1]], method = "bilinear")
SMOD_19 <- resample(x = SMOD_19, y = rasters.2020.NDVI[[1]], method = "bilinear")
SMOD_20 <- resample(x = SMOD_20, y = rasters.2020.NDVI[[1]], method = "bilinear")
SMOD_21 <- resample(x = SMOD_21, y = rasters.2020.NDVI[[1]], method = "bilinear")
SMOD_17

## class      : RasterLayer 
## dimensions : 2636, 2348, 6189328  (nrow, ncol, ncell)
## resolution : 10, 10  (x, y)
## extent     : 324930, 348410, 5077160, 5103520  (xmin, xmax, ymin, ymax)
## crs        : +proj=utm +zone=32 +datum=WGS84 +units=m +no_defs 
## source     : memory
## names      : SMOD_CCVCMB_2017 
## values     : -22.25, 287  (min, max)

La résolution des couches SMOD a bien été modifiée.

4.1.7 Visualisation d’une couche SMOD (2017)

Figure 2: Couche SMOD en 2017 autour de la vallée de Chamonix

Des couleurs claires roses/jaunes sont associées à la vallée de Chamonix et donc à des zones pour lesquelles la neige fond précocement. Les couleurs vertes vives sont associées à des zones hautes en altitude pour lesquelles la neige fond tardivement ou jamais.

4.1.8 Application du masque CCVCMB aux couches SMOD

CCVCMB <- shapefile("Communes/CC_Vallee_CHAMONIX.shp")
CCVCMB <- spTransform(CCVCMB, CRS = crs("+proj=utm +zone=32 +datum=WGS84 +units=m +no_defs "))

SMOD_17M <- mask(SMOD_17, CCVCMB)
SMOD_18M<- mask(SMOD_18, CCVCMB)
SMOD_19M<- mask(SMOD_19, CCVCMB)
SMOD_20M<- mask(SMOD_20, CCVCMB)
SMOD_21M<- mask(SMOD_21, CCVCMB)

4.1.8.3 Visualisation de l’effet du masque CCVCMB

Figure 3: Visualisation de la couche SMOD 2017 après application du masque CCVCMB

4.2.1 Calcul NDVI max par année

Les rasters et les tableaux associés aux NDVI max sont générés.

NDVImax.2017 <- max(rasters.2017.NDVI, na.rm=T)
NDVImax.2017_df <- as.matrix(NDVImax.2017)

NDVImax.2018 <- max(rasters.2018.NDVI, na.rm=T)
NDVImax.2018_df <- as.matrix(NDVImax.2018)

NDVImax.2019 <- max(rasters.2019.NDVI, na.rm=T)
NDVImax.2019_df <- as.matrix(NDVImax.2019)

NDVImax.2020 <- max(rasters.2020.NDVI, na.rm=T)
NDVImax.2020_df <- as.matrix(NDVImax.2020)

NDVImax.2021 <- max(rasters.2021.NDVI, na.rm=T)
NDVImax.2021_df <- as.matrix(NDVImax.2021)

4.2.2 Visualisation NDVI max par année

Figure 4: Couches NDVI max par année

Peu de variations sont observées sur les 5 années. Un léger front de verdissement est observé sur le versant est de Chamonix mais il reste compliqué d’identifier des changements facilement observables.

4.2.3 Homogénéisation du nombre de pixels entre les 5 années pour les couches SMOD et NDVI max

Les masques des couches présentant les nombres de pixels différents de “NA” les plus faibles sont appliqués à l’ensemble des couches afin d’obtenir un nombre de pixels similaire pour l’ensemble des couches.

NDVImax.2017<-mask(NDVImax.2017, NDVImax.2020)
NDVImax.2018<-mask(NDVImax.2018, NDVImax.2020)
NDVImax.2019<-mask(NDVImax.2019, NDVImax.2020)
NDVImax.2020<-mask(NDVImax.2020, NDVImax.2020)
NDVImax.2021<-mask(NDVImax.2021, NDVImax.2020)

SMOD_17M <- mask(SMOD_17M, SMOD_18M)
SMOD_18M<- mask(SMOD_18M, SMOD_18M)
SMOD_19M<- mask(SMOD_19M, SMOD_18M)
SMOD_20M<- mask(SMOD_20M, SMOD_18M)
SMOD_21M<- mask(SMOD_21M, SMOD_18M)

NDVImax.2017 <- mask(NDVImax.2017, SMOD_17M)
NDVImax.2018 <- mask(NDVImax.2018, SMOD_17M)
NDVImax.2019 <- mask(NDVImax.2019, SMOD_17M)
NDVImax.2020 <- mask(NDVImax.2020, SMOD_17M)
NDVImax.2021 <- mask(NDVImax.2021, SMOD_17M)

Nombre de pixels des couches SMOD:

## [1] 3501381 3501381 3501381 3501381 3501381

Nombre de pixels des couches NDVI:

## [1] 3501381 3501381 3501381 3501381 3501381

Le nombre de pixels est désormais identique pour l’ensemble des couches NDVI max et SMOD.

4.2.4 Réduction de la zone d’étude

Le nombre de pixels étant très important, le script requiert 6 heures de calcul pour être exécuté. Dans le cadre de notre projet étudiant, le choix a donc été de délimiter une zone d’étude restreinte afin de réduire le temps de calcul nécessaire.

cropbox2 <-c(336000,339000,5083000,5086000)
SMODcrop17 <- crop(SMOD_17M, cropbox2)
SMODcrop18 <- crop(SMOD_18M, cropbox2)
SMODcrop19 <- crop(SMOD_19M, cropbox2)
SMODcrop20 <- crop(SMOD_20M, cropbox2)
SMODcrop21 <- crop(SMOD_21M, cropbox2)

NDVIcrop17 <- crop(NDVImax.2017, cropbox2)
NDVIcrop18 <- crop(NDVImax.2018, cropbox2)
NDVIcrop19 <- crop(NDVImax.2019, cropbox2)
NDVIcrop20 <- crop(NDVImax.2020, cropbox2)
NDVIcrop21 <- crop(NDVImax.2021, cropbox2)

4.2.4.2 Visualisation du découpage appliqué

Figure 5: Visualisation de la couche SMOD 2017 après découpage selon une zone délimitée

4.2.5 Préparation du tableau de données NDVI max

Les données de NDVI max sont récupérées pour chaque année et pour chaque pixel.

NDVI_all <- data.frame(NDVI2017=NDVIcrop17[which(!is.na(NDVIcrop17[]))],NDVI2018=NDVIcrop18[which(!is.na(NDVIcrop18[]))],NDVI2019=NDVIcrop19[which(!is.na(NDVIcrop19[]))],NDVI2020=NDVIcrop20[which(!is.na(NDVIcrop20[]))],NDVI2021=NDVIcrop21[which(!is.na(NDVIcrop21[]))])
head(NDVI_all)

4.2.6 Préparation du tableau de données SMOD

De même, les données de SMOD sont récupérées pour chaque année et pour chaque pixel.

SMOD_all <- data.frame(SMOD17M = SMODcrop17[which(!is.na(SMODcrop17[]))], SMOD18M = SMODcrop18[which(!is.na(SMODcrop18[]))], SMOD19M = SMODcrop19[which(!is.na(SMODcrop19[]))], SMOD20M = SMODcrop20[which(!is.na(SMODcrop20[]))], SMOD21M = SMODcrop21[which(!is.na(SMODcrop21[]))])
head(SMOD_all)

4.3.1 Calcul des pentes pour le NDVI max

Greening <- data.frame(Pente = rep(NA, nrow(NDVI_all)),
                    Pvalue = rep(NA, nrow(NDVI_all)))

for(n in 1:nrow(NDVI_all)){
  
  ndvi_pixel = data.frame(NDVI = as.numeric(NDVI_all[n,]), Year = c(2017:2021))
  Pente <- summary(mblm(NDVI ~ Year, data=ndvi_pixel))$coefficients[2,1]
  Pvalue <- summary(mblm(NDVI ~ Year, data=ndvi_pixel))$coefficients[2,4]
  
  Greening[n,"Pente"] <- Pente
  Greening[n,"Pvalue"] <- Pvalue
}

4.3.1.2 Génération du raster des pentes NDVI max

NDVI_pente <- NDVIcrop17
NDVI_pente[which(!is.na(NDVI_pente[]))]=Greening[,"Pente"]

Figure 6: Raster des pentes associées à l’évolution du NDVI max entre 2017 et 2021

Comme attendu, la plupart des pentes sont proches de 0 traduisant une faible évolution des données NDVI max sur les 5 années considérées.

4.3.2 Calcul des pentes pour le SMOD

Melting <- data.frame(Pente = rep(NA, nrow(SMOD_all)),
                    Pvalue = rep(NA, nrow(SMOD_all)))

for(n in 1:nrow(SMOD_all)){
  
  SMOD_pixel = data.frame(SMOD = as.numeric(SMOD_all[n,]), Year = c(2017:2021))
  Pente <- summary(mblm(SMOD ~ Year, data=SMOD_pixel))$coefficients[2,1] 
  Pvalue <- summary(mblm(SMOD ~ Year, data=SMOD_pixel))$coefficients[2,4]
  
  Melting[n,"Pente"] <- Pente
  Melting[n,"Pvalue"] <- Pvalue
}

4.3.2.2 Génération du raster des pentes SMOD

SMOD_pente <- SMODcrop17
SMOD_pente[which(!is.na(SMOD_pente[]))]=Melting[,"Pente"]

Figure 7: Raster des pentes associées à l’évolution du SMOD entre 2017 et 2021

Les valeurs de pente positives sont plutôt liées aux zones de vallée alors que les valeurs négatives sont plutôt liées aux versants traduisant surtout une précocité de la fonte des neiges sur les versants.